我越来越明显地感受到：AI 加快了任务的完成速度，也让审查和验收成为工作中更突出的瓶颈。 过去，我们需要花大量时间编写代码、实现功能。现在，AI 可以快速交出一个看起来已经完成的结果，但我们仍然需要逐项检查：交互逻辑是否合理，功能是否完整，不同模块的行为是否一致，异常情况是否得到处理，以及这次改动有没有破坏原有功能。 即使某个编码环节获得了十倍的效率提升，也不意味着整个交付流程能提速十倍。代码生成之后，理解、验证、集成和返工依然需要时间。当 AI 完成任务的速度超过团队验收任务的速度，工单就会堆积在审查环节。 这让我觉得，科研人员和工程师正在面对一个相似的问题：生成候选成果的成本迅速下降，把这些成果确认为可靠结果的成本，却未必同步下降。 在科研中，即使我们能够通过增加算力、并行运行大量智能体，生成成批的推导和论文，也仍然需要回答：推理是否成立，前提有没有遗漏，结果是否具有原创性，又是否值得研究。这些判断，无法仅凭论文写得完整、论证看起来流畅就得出。 当然，软件工程和数学研究的验证方式并不完全一样。代码可以通过测试、实际运行和用户反馈来检验；数学证明如果被完整地形式化，也可以交给证明检查器验证。但测试是否覆盖了真实需求，形式化命题是否准确表达了原问题，以及一个结果究竟有什么价值，仍然需要额外判断。 因此，我对 AI 审查的顾虑，主要在于：我们能否把它的审查结论，当成足以验收的依据？ AI 可以帮助发现漏洞、寻找反例、检查遗漏，也可以承担一部分初筛工作。但如果生成与审查依赖相似的模型、相同的上下文和同一套错误假设，它们就可能共同漏掉问题。多个智能体一致认可一个结果，也不自动意味着这个结果可靠。 而且，人类验收同样会出错。面对大量看似合理的产出，审查者可能因为疲劳、时间压力，或者过度信任 AI，把验收变成形式上的确认。仅仅规定“最后由人把关”，并不能解决问题。 所以，我认为接下来值得投入的，是让验证能力跟上生成能力：提前明确验收标准，让 AI 提交结果时同时提供测试、证据和已知限制，再把人的注意力集中在高风险、难判断的部分。 对于需要可靠交付的工作，AI 带来的挑战已经延伸到了整个流程：我们可以更快地产出多少东西，又有能力以多快的速度确认，其中哪些真正值得接受。